Theano 中的计算机解剖学
Theano 是一个 Python 库,可高效地定义,优化和评估涉及多维数组的数学表达式,在机器学习社区中一直以来是最常用的 CPU 和 GPU 数学编译器之一,并显示稳定的性能改进。
May, 2016
本研究提出了一种基于统计学习的无监督几何深度学习框架,利用局部相空间特征的统计分布来表示非线性动态系统,该方法提供了鲁棒的几何感知或几何无关的表示,可用于测量轨迹的基础上进行无偏的动力学比较,并设计了一种具有最先进准确性的解码算法。
Apr, 2023
Theano 是一种线性代数编译器,优化使用者的符号指定的数学计算,以产生高效的低级实现。本文介绍了 Theano 的新功能和效率改进,并展示了 Theano 相对于 Torch7 和 RNNLM 的性能优势。
Nov, 2012
介绍了如何将一些矩阵分解运算(如 Cholesky、LQ 和对称特征值分解)实现为可微分操作符,并将其在 MXNet 上实现。这使得许多基本的机器学习原语(如高斯过程、最小二乘估计、主成分分析和卡尔曼平滑)易于实现并与深度神经网络(DNN)相结合,优化效率和运行时间。
Oct, 2017
通过深度生成网络模拟人体解剖分割的总体和局部形貌特征,并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断,从而为大规模的体积成像研究提供高通量分析的新方法。
Jun, 2019
提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法,直接对原始点云进行操作,通过空间变换网络将数据映射到规范空间,并通过网络的端对端训练阶段学习最优表示,通过多个分支来学习多个结构的特征,应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归,最后通过适应点云遮挡法来可视化预测解剖重要部位。
Jun, 2018
该研究论文利用深度神经网络与 Lagrangian 力学相结合,提出一种新的加速弹性形变物体模拟的算法,通过利用复杂度有限差分和反向神经自动微分策略,解决了非线性力平衡的挑战,进一步设计了采样网络和加权网络,使得该方法更加具有普适性。
Feb, 2021
通过拓扑数据分析法,我们提出了一种新颖的深度学习框架,以更好地分割和不确定性评估复杂的细微结构,如生物医学应用中的神经元、组织和血管,为可扩展的标注提供了有力工具。
Mar, 2024
基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析,验证了其适用于以真实 3D 网格形状为基础的合成解剖形状,并且可以进一步增加变异性并保留更多生成形状的细节。
Mar, 2024